一种旋转机械故障诊断方法、系统及存储介质

摘要

本发明公开了一种旋转机械故障诊断方法、系统及存储介质，所述方法包括：获取旋转机械处于正常状态和故障状态下的振动信号，并将其分为训练样本集和待测样本；使用小波包变换方法对获取的振动信号进行分解，得到一系列具有不同频带的子信号；计算所述子信号的符号动力学熵值，得到故障特征向量；将所述训练样本集的故障特征向量作为输入，将所述训练样本集的故障类型标签作为输出，训练得到基于LightGBM分类器模型的故障诊断模型；将所述待测样本的故障特征向量输入所述故障诊断模型，从而得到所述待测样本的故障诊断结果。本发明以小波包分解结合符号动力学熵，有效提取故障特征，再使用LightGBM分类器模型进行故障识别和分类，提高了计算效率和分类准确率。

权利要求

1.一种旋转机械故障诊断方法，其特征在于，包括以下步骤：S1：获取旋转机械处于正常状态和故障状态下的振动信号，并将其分为训练样本集和待测样本；

S2：使用小波包变换方法对步骤S1获取的振动信号进行分解，得到一系列具有不同频带的子信号；具体包括：给定尺度函数φ(n)和小波函数ψ(n)，令 小波包 定义为：

其中，i取0,1,2……，n表示时间序列对应某一时刻的数值，k表示时间或位置参数，Z是整数集，hk表示低通滤波器，gk表示高通滤波器，hk与gk是一对共轭滤波器并且满足gk＝(-1)kh1-k；

所述振动信号x(n)使用小波包分解成子信号 其中，j表示分解层数，p表示信号数且p＝0,1,…,2j-1， 表示第j层第p个小波包系数；

S3：计算所述子信号的符号动力学熵值，得到故障特征向量；具体包括：通过正态累积分布函数将所述子信号映射到yi，其中，i＝1,2,…,N且0＜yi＜1；

所述子信号对应的符号时间序列为si＝round(C·yi+0.5)，其中round(·)表示取整函数，C为符号数；

对所述符号时间序列构造嵌入向量，每个嵌入向量表示为：Vim,λ＝{si,si+λ,…,si+(m-1)λ}，其中m为嵌入维数，λ为时间延迟；

所述嵌入向量Vim,λ与状态模式 一一对应，其中，ξ表示一个嵌入向量里面各个元素的状态，且ξ1＝si,ξ2＝si+λ,…,ξm＝si+(m-1)λ，每个状态模式的概率为：其中|·|表示集合中元素的数目；

得到故障特征向量为：

S4：将所述训练样本集的故障特征向量作为LightGBM分类器模型的输入，将所述训练样本集的故障类型标签作为LightGBM分类器模型的输出，训练得到故障诊断模型；

S5：将所述待测样本的故障特征向量输入所述故障诊断模型，从而得到所述待测样本的故障诊断结果。

2.如权利要求1所述的故障诊断方法，其特征在于，所述步骤S1中旋转机械的振动信号通过加速度计采集。

3.如权利要求1所述的故障诊断方法，其特征在于，所述步骤S4中故障类型标签用于区分故障类型和故障严重程度。

4.一种旋转机械故障诊断系统，其特征在于，包括以下单元：信号获取单元，用于获取旋转机械处于正常状态和故障状态下的振动信号，并将其分为训练样本集和待测样本；

信号分解单元，用于使用小波包变换方法对获取的振动信号进行分解，得到一系列具有不同频带的子信号；具体用于，给定尺度函数φ(n)和小波函数ψ(n)，令 小波包 定义为：

其中，i取0,1,2……，n表示时间序列对应某一时刻的数值，k表示时间或位置参数，Z是整数集，hk表示低通滤波器，gk表示高通滤波器，hk与gk是一对共轭滤波器并且满足gk＝(-1)kh1-k；

所述振动信号x(n)使用小波包分解成子信号 其中，j表示分解层数，p表示信号数且p＝0,1,…,2j-1， 表示第j层第p个小波包系数；

特征向量计算单元，用于计算所述子信号的符号动力学熵值，得到故障特征向量；具体用于，通过正态累积分布函数将所述子信号映射到yi，其中，i＝1,2,…,N且0＜yi＜1；

所述子信号对应的符号时间序列为si＝round(C·yi+0.5)，其中round(·)表示取整函数，C为符号数；

对所述符号时间序列构造嵌入向量，每个嵌入向量表示为：Vim,λ＝{si,si+λ,…,si+(m-1)λ}，其中m为嵌入维数，λ为时间延迟；

所述嵌入向量Vim,λ与状态模式 一一对应，其中，ξ表示一个嵌入向量里面各个元素的状态，且ξ1＝si,ξ2＝si+λ,…,ξm＝si+(m-1)λ，每个状态模式的概率为：其中|·|表示集合中元素的数目；

得到故障特征向量为：

模型训练单元，用于将所述训练样本集的故障特征向量作为LightGBM分类器模型的输入，将所述训练样本集的故障类型标签作为LightGBM分类器模型的输出，训练得到故障诊断模型；

故障诊断单元，用于将所述待测样本的故障特征向量输入所述故障诊断模型，从而得到所述待测样本的故障诊断结果。

5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的故障诊断方法。

说明书

一种旋转机械故障诊断方法、系统及存储介质

技术领域

[0001] 本发明属于旋转机械故障诊断技术领域，更具体地，涉及一种旋转机械故障诊断方法、系统及存储介质。

背景技术

[0002] 旋转机械作为传动系统的关键组件，已广泛用于现代制造和工业过程中。在大多数实际应用中，旋转机械在恶劣或复杂的条件下运行，例如高温、高压环境，变速和可变负载。长时间运行会导致各种损坏和故障，这些故障将会影响系统性能，并可能严重损坏机器。

[0003] 旋转机械故障诊断方法可以分为两种类型：基于特征的方法和基于特征学习的方法。(1)基于特征的方法是根据先验知识和工程经验来选择和计算故障特征，再将故障特征输入到分类算法以进行故障诊断，该方法包括四个基本步骤：信号预处理、特征计算、特征选择和故障分类，可以看出，该方法主要是基于信号处理，例如傅立叶变换和小波变换；然而，由于振动信号的非线性和非平稳性，该方法在实际应用中受到先验知识和经验的限制；此外，其中一些方法需要应用多种信号预处理方法和多个统计特征的计算以获得足够的故障特征，这也增加了方法实施的复杂性。(2)基于特征学习的方法主要通过维度转换方法将一维原始信号转换为二维图像，然后通过深度学习方法，例如多尺度网络和卷积神经网络，自动对二维图像进行特征学习，提取故障信息，最后，使用分类器进行分类；然而基于特征学习的方法需要大量样本和大量时间进行模型训练，效率低。

发明内容

[0004] 针对现有技术的缺陷和改进需求，本发明提供了一种旋转机械故障诊断方法，其目的在于解决现有技术中故障特征提取实施复杂、计算效率低、模型训练时间长、难以适用复杂工况的技术问题。

[0005] 为实现上述目的，按照本发明的一个方面，提供了一种旋转机械故障诊断方法，包括以下步骤：

[0006] S1：获取旋转机械处于正常状态和故障状态下的振动信号，并将其分为训练样本集和待测样本；

[0007] S2：使用小波包变换方法对步骤S1获取的振动信号进行分解，得到一系列具有不同频带的子信号；

[0008] S3：计算所述子信号的符号动力学熵值，得到故障特征向量；

[0009] S4：将所述训练样本集的故障特征向量作为LightGBM分类器模型的输入，将所述训练样本集的故障类型标签作为LightGBM分类器模型的输出，训练得到故障诊断模型；

[0010] S5：将所述待测样本的故障特征向量输入所述故障诊断模型，从而得到所述待测样本的故障诊断结果。

[0011] 进一步地，步骤S2所述的方法包括：

[0012] 给定尺度函数φ(n)和小波函数ψ(n)，令 小波包定义为：

[0013]

[0014] 其中，i取0,1,2……，n表示时间序列对应某一时刻的数值，k表示时间或位置参数，Z是整数集，hk表示低通滤波器，gk表示高通滤波器，hk与gk是一对共轭滤波器并且满足gk＝(-1)kh1-k；

[0015] 所述振动信号x(n)使用小波包分解成子信号 其中，j表示分解层数，p表示信号数且p＝0,1,…,2j-1， 表示第j层第p个小波包系数。

[0016] 进一步地，步骤S3所述的方法包括：

[0017] 通过正态累积分布函数将所述子信号映射到yi，其中，i＝1,2,…,N且0＜yi＜1；

[0018] 所述子信号对应的符号时间序列为si＝round(C·yi+0.5)，其中round(·)表示取整函数，C为符号数；

[0019] 对所述符号时间序列构造嵌入向量，每个嵌入向量表示为：Vim,λ＝{si,si+λ,…,si+(m-1)λ}，其中m为嵌入维数，λ为时间延迟；

[0020] 所述嵌入向量Vim,λ与状态模式 一一对应，其中，ξ表示一个嵌入向量里面各个元素的状态，且ξ1＝si,ξ2＝si+λ,…,ξm＝si+(m-1)λ，每个状态模式的概率为：其中|·|表示集合中元素的数目；

[0021] 得到故障特征向量为：

[0022] 进一步地，所述步骤S1中旋转机械的振动信号通过加速度计采集。

[0023] 进一步地，所述步骤S4中故障类型标签用于区分故障类型和故障严重程度。

[0024] 本发明另一方面提供了一种旋转机械故障诊断系统，包括：

[0025] 信号获取单元，用于获取旋转机械处于正常状态和故障状态下的振动信号，并将其分为训练样本集和待测样本；

[0026] 信号分解单元，用于使用小波包变换方法对获取的振动信号进行分解，得到一系列具有不同频带的子信号；

[0027] 特征向量计算单元，用于计算所述子信号的符号动力学熵值，得到故障特征向量；

[0028] 模型训练单元，用于将所述训练样本集的故障特征向量作为LightGBM分类器模型的输入，将所述训练样本集的故障类型标签作为LightGBM分类器模型的输出，训练得到故障诊断模型；

[0029] 故障诊断单元，用于将所述待测样本的故障特征向量输入所述故障诊断模型，从而得到所述待测样本的故障诊断结果。

[0030] 本发明另一方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的旋转机械故障诊断方法。

[0031] 总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

[0032] (1)本发明将原始振动信号通过小波包分解为一系列具有不同频带的子信号，并计算子信号的符号动力学熵值，得到故障特征向量，同时，训练基于LightGBM分类器模型的故障诊断模型，从而有效地识别故障类型和故障程度。

[0033] (2)本发明通过小波包分解将原始信号分解为低频和高频部分，并再对低频部分和高频部分依次使用小波包分解，根据分解层数的不同，从而获得不同的频率信息；而符号动力学熵是一种评估时间序列动态特性的方法，具有较高的计算效率，能够提取高质量的故障特征；二者结合能有效提取故障特征，尤其适用于复杂工况下的故障特征提取。

[0034] (3)本发明只需要一种分解方法，计算一种故障特征，与多种分解方法或多种特征方法相比，本发明提供的旋转机械故障诊断方法具有易于实现和能够处理大数据故障诊断的优点。

附图说明

[0035] 图1为本发明提供的旋转机械故障诊断方法的流程图；

[0036] 图2为本发明实施例提供的故障诊断多层次混淆矩阵图；

[0037] 图3为发明实施例提供的旋转机械故障诊断方法在复杂工况数据集下的分类准确率示意图；

[0038] 图4为本发明实施例提供的对比不同信号分解方法的分类准确率示意图；

[0039] 图5为本发明实施例提供的对比不同基于熵的方法的分类准确率示意图；

[0040] 图6为本发明实施例提供的对比不同分类器方法的分类准确率示意图。

具体实施方式

[0041] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

[0042] 本发明一方面提供了一种旋转机械故障诊断方法，以小波包分解结合符号动力学熵，有效提取故障特征，再使用LightGBM分类器模型进行故障的识别和分类，提高了计算效率和分类准确率。

[0043] 图1所示为本发明提供的旋转机械故障诊断方法的流程图，具体包括以下步骤：

[0044] S1：获取旋转机械处于正常状态和故障状态下的振动信号，并将其分为训练样本集和待测样本；

[0045] 其中，故障状态包括内圈故障、外圈故障和滚珠故障；

[0046] 具体的，通过加速度计采集正常状态和故障状态下旋转机械的振动信号，得到包含正常状态和故障状态的振动信号的样本点；随机选取部分样本点组建训练样本集，剩余的样本点组建待测样本，且训练样本集和测试样本之比为2。

[0047] S2：使用小波包变换方法对步骤S1获取的振动信号进行分解，得到一系列具有不同频带的子信号；

[0048] 具体的，给定尺度函数φ(n)和小波函数ψ(n)，令 小波包 定义为：

[0049]

[0050] 其中，i取0,1,2……，n表示时间序列对应某一时刻的数值，k表示时间或位置参数，Z是整数集，hk表示低通滤波器，gk表示高通滤波器，hk与gk是一对共轭滤波器并且满足gk＝(-1)kh1-k；

[0051] 需要说明的是，高通滤波器与低通滤波器的幅频特性与正交镜像对称滤波器组(QMF)一样，是以π/2为轴线左右对称的，但是相频特性比QMF多了一个共轭关系，所以称为共轭滤波器组。

[0052] 所述振动信号x(n)使用小波包分解成子信号 其中，j表示分解层数，p表示信号数且p＝0,1,…,2j-1， 表示第j层第p个小波包系数。

[0053] S3：计算所述子信号的符号动力学熵值，得到故障特征向量；

[0054] 具体的，通过正态累积分布函数将所述子信号映射到yi，其中，i＝1,2,…,N且0＜yi＜1；

[0055] 所述子信号对应的符号时间序列为si＝round(C·yi+0.5)，其中round(·)表示取整函数，C为符号数；

[0056] 对所述符号时间序列构造嵌入向量，每个嵌入向量表示为：Vim,λ＝{si,si+λ,…,si+(m-1)λ}，其中m为嵌入维数，λ为时间延迟；

[0057] 所述嵌入向量Vim,λ与状态模式 一一对应，其中，ξ表示一个嵌入向量里面各个元素的状态，且ξ1＝si,ξ2＝si+λ,…,ξm＝si+(m-1)λ，每个状态模式的概率为：其中|·|表示集合中元素的数目；

[0058] 得到故障特征向量为：

[0059] 需要说明的是，根据嵌入维数和时间延迟可将符号序列分割成一系列的子向量，其中每个子向量的符号排列模式都是唯一的，每一种排列就是一种状态模式；

[0060] 还可以将故障特征向量标准化：NSDE(x,m,C,λ)＝SDE(x,m,C,λ)/logCm，0≤NSDE(x,m,C,λ)≤1。

[0061] S4：将所述训练样本集的故障特征向量作为LightGBM分类器模型的输入，将所述训练样本集的故障类型标签作为LightGBM分类器模型的输出，训练得到故障诊断模型；

[0062] 设置LightGBM模型参数，主要参数如表1所示。

[0063] 表1

[0064]

[0065] S5：将所述待测样本的故障特征向量输入所述故障诊断模型，从而得到所述待测样本的故障诊断结果。

[0066] 具体的，待测样本同样需要预处理，将不同工况下原始振动信号经过步骤S1-S3的处理得到故障特征向量，代入经步骤S4训练好的故障诊断模型中，得到相应的故障诊断结果。

[0067] 下面进一步验证本发明的实用性。

[0068] 实施例1：有效性验证

[0069] 为了验证本发明提出的故障诊断方法的有效性，本实施例使用美国凯斯西储大学(Case Western Reserve University,CWRU)轴承数据中心的轴承数据集进行验证。滚动轴承的故障类型为正常、内圈缺陷、外圈缺陷和滚珠缺陷，其中，故障严重程度通过电火花加工模拟，其故障直径分别为7、14、21(mil)。采集驱动电机端6点钟位置的振动信号，采样频率为12kHz。实验选取的数据共有4种工况，每种工况下有10种轴承状态，轴承状态的详细情况如表2所示。

[0070] 表2

[0071]

[0072] 具体步骤如下：

[0073] (1)数据采集和小波包分解

[0074] 每个轴承状态在每个工况下都有48个数据样本，实验所用的数据集共有1920个数据样本，其中每个数据样本的长度为1500个数据点。在实验中随机选取1280作为训练样本，另外的640个数据样本作为测试样本。对实验数据集进行小波包分解，将小波包分解层数设置为5，对原始振动信号分解后得到一系列的子信号。

[0075] (2)计算子信号的符号动力学熵

[0076] 对分解后的子信号计算符号动力学熵，其中计算符号动力学熵的三个参数设置为：符号数C＝10，嵌入维数m＝3，时间延迟λ＝1。符号动力学熵能有效提取时间序列的动态特征，反映时间序列的复杂性，计算效率高于其他熵度量，通过计算子信号的符号动力学熵得到故障特征向量。

[0077] (3)诊断模型训练

[0078] 将步骤(2)中得到的特征向量作为输入，代入LightGBM分类器模型，经模型参数化初始设置和训练，得到最优的诊断模型。

[0079] (4)状态识别

[0080] 将原始振动信号经过步骤(1)和(2)的处理得到故障特征向量，代入经步骤(3)训练的最优诊断模型中，得到相应的故障诊断结果，故障诊断多层次混淆矩阵图如图2所示。图2显示了本发明提出的故障诊断方法对第1，2，3，4，5，7，8，10种轴承状态类型的分类精度为100％，对第6种轴承状态类型的分类精度为97％，有3％的概率会误诊为第9种轴承状态类型，对第9种轴承状态类型的分类精度为97％，有3％的概率会误诊为第6种轴承状态类型，具有较好的诊断性能。

[0081] 实施例2：复杂工况下有效性的验证

[0082] 为了进一步突出所提出方法的性能，本发明针对实际数据集的复杂工况从四个方面进行了研究：对实际应用数据集进行附加验证，分别使用实际应用数据集对不同分解方法、基于熵的方法和分类算法进行比较。

[0083] (1)使用实际数据集进行验证

[0084] 由于CWRU轴承数据集的四个工况在速度上相似，因此使用具有更复杂工况下的实际数据集来进一步验证本发明所提出方法的有效性。实验平台由电磁制动器、扭矩传感器、单级减速器、制动控制器和伺服电机组成。使用具有不同裂纹长度(包括0、5、10、15毫米)的齿轮，采样频率为5kHz。本发明中，采用来自二十个工况的数据组成的十个数据集进行实验验证，二十个工况和十个数据集的详细信息分别如表3和表4所示。

[0085] 表3

[0086]

[0087] 表4

[0088]

[0089] 从A1到A4的数据集对应于单速和多负载工况。作为比较，从A5到A9的数据集对应于单个负载和多个转速，数据集A10对应于最复杂的工况，即多种转速和多种负载。后续三个对比实验将使用数据集A10进行比较。每个样本的长度为1500个数据点，彼此之间没有重叠，共有3200个样本。

[0090] 实验的分类结果如图3所示，结果表明十个数据集的训练准确率达到100％，A1到A4的测试准确率高于94.50％，A5到A9的测试准确率高于96.56％。在最复杂的工况A10下，测试准确率为96.66％。其中A5的测试准确率最高，达到99.69％。测试集的F1分数与其测试准确率一致，在单一级齿轮箱的实际数据集中验证了该方法的有效性。

[0091] (2)与不同信号分解方法的比较

[0092] 小波包分解(waveletpacket decomposition,WPD)的有效性在实施例1中已经进行了验证，为了突出其优势，使用了三种分解方法：经验模态分解(empirical mode decomposition,EMD)、局域均值分解(local mean decomposition,LMD)和变分模态分解(variational mode decomposition,VMD)进行比较。比较结果如图4和表5所示。

[0093] 表5

[0094]

[0095] 实验结果表明，WPD的测试准确率最高，达到96.66％，比其他三种方法至少高6.66％。EMD的特征提取时间最少，仅为0.01s/样本，VMD所需的时间最多(0.85s/样本)，WPD训练时间适中(0.17s/样本)。使用WPD方法的测试准确率的标准差为第二小(1.07％)。因此，与其他三种方法相比，WPD方法可以获得最佳的分类准确率，其总时间消耗也处于中等水平。

[0096] (3)与不同基于熵方法的比较

[0097] 基于熵的故障特征提取方法在机械故障诊断领域受到了广泛关注，例如样本熵(sample entropy,SE)，模糊熵(fuzzy entropy,FE)和排列熵(permutation entropy,PE)。本发明中分别计算了原始振动信号由WPD分解后各子信号的SE，FE和PE，并将它们的分类结果与提出的方法符号动力学熵(symbolic dynamic entropy,SDE)进行了比较。其中SE和FE的参数设置为嵌入维度m＝2，时间延迟λ＝1，PE的嵌入维数和时间延迟分别设置为m＝5和λ＝1。比较结果如图5和表6所示。

[0098] 表6

[0099]

[0100] 实验结果表明本发明提出的方法(WPD-SDE)测试准确率最高，达到96.66％。从表6中可以看出，使用WPD-FE的相应测试准确率和训练时间的标准差最小，但是WPD-FE进行特征提取的时间消耗为1.89s/样本，是本发明提供的方法的11倍。综上所述，在这些基于熵的方法中，本发明提出的方法具有最少的特征提取时间消耗，最高的分类准确率和较小的测试准确率标准差。

[0101] (4)与不同分类器方法的比较

[0102] 状态识别是故障诊断中的重要步骤，分类算法则会直接影响最终的诊断结果。本发明中，将LightGBM算法于支持向量机(support vector machine,SVM)、随机森林(random forest,RF)和极限梯度提升(extreme gradient boosting,XGBoost)算法进行了比较。利用网格搜索对SVM、RF和XGBoost的主要超参数进行优化，超参数设置如表7所示。

[0103] 表7

[0104]

[0105]

[0106] 图6说明了不同分类方法的比较结果，使用LightGBM作为分类器，可以达到最高的测试准确率，为96.66％。表8列出了不同分类器的训练时间，测试时间和测试准确率的标准差。在这些分类器中，LightGBM模型的训练时间最短，仅为0.64s。与训练时间相比，测试时间差异更大，最小的是LightGBM，为3.13ms。相应地，所有方法的测试准确率的标准差均很小，范围为0.82％至1.12％。由此也可以看出，分类方法对状态识别的影响不如特征提取方法重要，这进一步证明了本发明所提供的特征提取方法的有效性。

[0107] 表8

[0108]

[0109] 本发明根据小波包分解与符号动力学熵的特点，实现了从非平稳信号中提取高质量的故障特征，有效地解决了旋转机械故障诊断中的复杂工况问题。本发明所提出的方法是基于小波包分解、符号动力学熵和LightGBM的旋转机械故障诊断方法，以滚动轴承和齿轮的故障诊断为实例验证，在实际应用过程中，可推广到一般旋转机械、加工制造、设备维护等，具有良好的工程实用性。

[0110] 本发明实施例另一方面提供了一种旋转机械故障诊断系统，包括：

[0111] 信号获取单元，用于获取旋转机械处于正常状态和故障状态下的振动信号，并将其分为训练样本集和待测样本；

[0112] 信号分解单元，用于使用小波包变换方法对获取的振动信号进行分解，得到一系列具有不同频带的子信号；

[0113] 特征向量计算单元，用于计算所述子信号的符号动力学熵值，得到故障特征向量；

[0114] 模型训练单元，用于将所述训练样本集的故障特征向量作为LightGBM分类器模型的输入，将所述训练样本集的故障类型标签作为LightGBM分类器模型的输出，训练得到故障诊断模型；

[0115] 故障诊断单元，用于将所述待测样本的故障特征向量输入所述故障诊断模型，从而得到所述待测样本的故障诊断结果。

[0116] 本发明另一方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的旋转机械故障诊断方法。

[0117] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。